JP2022162331A - 情報処理装置 - Google Patents

Abstract

【課題】被服とその被服を身に着ける人物モデルとの組み合わせによってその被服が購入される確率を特定する。【解決手段】解析部３４は、各ユーザに提示した被服に関する被服データと、当該被服を当該ユーザに提示するときに当該被服を身に着けた人物モデルに関する人物モデルデータとを説明変数とし、当該ユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて、学習モデルを生成する。算出部３６は、或るユーザに対し或る被服を提示するときに、その被服に関する被服データ及び人物モデルの各々に関する人物モデルデータを説明変数として学習モデルに入力して、或るユーザが或る被服を購入する確率に関するデータを算出し、或るユーザに提示する被服及び人物モデルの組み合わせを決定する。提示画像生成部３２は、決定された被服及び人物モデルの組み合わせで、その人物モデルがその被服を身に着けた提示画像データを生成する。【選択図】図４

Description

本発明は、被服の販売促進のための技術に関する。

被服をインターネット上で販売するイーコマースにおいて、人物モデルが被服を身に着けた画像を掲載する場合と、被服のみの画像を掲載する場合とでは、前者のほうが売り上げのよいことが知られている。このような被服のイーコマースに関して例えば特許文献１には、ユーザによって指定された体形の人物モデルがユーザによって選択された衣類を身に着けた画像を表示し、ユーザにより購入ボタンがクリックされると、その衣類の注文を受け付けるシステムが開示されている。

特開２００９－１２８９９７号公報

被服を身に着ける人物モデルには、様々な体形や雰囲気の人物モデルが存在する。本発明は、被服とその被服を身に着ける人物モデルとの組み合わせによってその被服が購入される確率を特定することを目的とする。

上記課題を解決するため、本発明は、各々のユーザに提示した被服に関する被服データと、当該被服を当該各々のユーザに提示するときに当該被服を身に着けた人物モデルに関する人物モデルデータとを説明変数とし、当該各々のユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて生成された学習モデルを記憶する記憶部と、或るユーザに提示する被服に関する被服データと、前記人物モデルに関する人物モデルデータとを説明変数として前記学習モデルに入力して、当該或るユーザが当該被服を購入する確率に関するデータを算出する算出部とを備えることを特徴とする情報処理装置を提供する。

本発明によれば、被服とその被服を身に着ける人物モデルとの組み合わせによってその被服が購入される確率を特定することができる。

本発明の一実施形態に係る情報処理システム１の構成の一例を示す図である。 ユーザ端末１０のハードウェア構成を示す図である。 情報処理装置３０のハードウェア構成を示す図である。 情報処理装置３０の機能構成の一例を示す図である。 情報処理装置３０による学習モデルの生成動作の一例を示すフローチャートである。 ユーザ端末１０に表示される画面の一例を示す図である。 蓄積された購入結果の一例を示す図である。 情報処理装置３０による提示画像の生成動作の一例を示すフローチャートである。

［構成］
図１は、本実施形態に係る情報処理システム１の一例を示す図である。情報処理システム１は、多数のユーザに対して様々な被服を販売する、いわゆるイーコマースをネットワーク上で実現するシステムである。ここでいう被服とは、着装の目的で人体の各部を覆い包む被覆物の総称のことであり、各種の衣服のほか、被り物や履物などを含む。

被服を対象としたイーコマースにおいて、人物モデルが被服を身に着けた画像をＷｅｂサイトに掲載する場合と、被服のみの画像をＷｅｂサイトに掲載する場合とでは、前者のほうが売り上げのよいことが知られている。加えて、被服を身に着ける人物モデルによってもその被服の売れ行きが増減することも知られている。しかしながら、多数ある被服のそれぞれをどのような人物モデルが身に着けてユーザに提示すれば最も売り上げが見込めるかということについては必ずしも明らかになっていない。本実施形態では、被服及び人物モデルの組み合わせとその被服の売り上げとの因果関係を明らかにし、より多くの売り上げが見込めるような被服及び人物モデルの組み合わせをユーザに提示することを目的の１つとしている。

図１に示すように、情報処理システム１は、被服の購入者たるユーザが利用するユーザ端末１０と、本発明に係る情報処置装置の一例として機能する情報処理装置３０と、ユーザ端末１０及び情報処理装置３０を通信可能に接続する無線ネットワーク又は有線ネットワークを含むネットワーク２０とを備えている。ユーザ端末１０は、例えばスマートホン、ウェアラブル端末、タブレット又はパーソナルコンピュータなどの、無線又は有線を介してネットワーク２０に接続可能なコンピュータである。情報処理装置３０は、被服を対象としたイーコマースを実現するためのコンピュータであり、例えば被服の販売者によって管理されている。なお、図１には、ユーザ端末１０を１つしか示していないが、実際には複数存在する。

図２は、ユーザ端末１０のハードウェア構成を示す図である。ユーザ端末１０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、及びこれらを接続するバスなどを含むコンピュータとして構成されている。これらの各装置は図示せぬ電源から供給される電力によって動作する。なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。ユーザ端末１０のハードウェア構成は、図２に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。また、それぞれ筐体が異なる複数の装置が通信接続されて、ユーザ端末１０を構成してもよい。

ユーザ端末１０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）によって構成されてもよい。また、例えばベースバンド信号処理部や呼処理部などがプロセッサ１００１によって実現されてもよい。

プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、後述する動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。ユーザ端末１０の機能ブロックは、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよい。各種の処理は、１つのプロセッサ１００１によって実行されてもよいが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワーク２０からユーザ端末１０に送信されてもよい。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本実施形態に係る方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。

通信装置１００４は、ネットワーク２０を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、無線通信を実現する場合には、例えばＬＴＥ（Long Time Evolution）等の通信規格に従ってネットワーク２０を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）である。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency Division Duplex）及び時分割複信（ＴＤＤ：Time Division Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。また、送受信アンテナ、アンプ部、送受信部、伝送路インターフェースなどがこの通信装置１００４によって実現されてもよい。送受信部は、送信部と受信部とで、物理的に、又は論理的に分離された実装がなされてもよい。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キー、マイクロフォン、スイッチ、ボタン、カメラ、センサ、２次元コードリーダなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバスによって接続される。バスは、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。

ユーザ端末１０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。

図３は、情報処理装置３０のハードウェア構成を示す図である。情報処理装置３０は、物理的には図２に示すユーザ端末１０と同様に、プロセッサ３００１、メモリ３００２、ストレージ３００３、通信装置３００４、及びこれらを接続するバスなどを含むコンピュータとして構成されている。これらの各装置は図示せぬ電源から供給される電力によって動作する。情報処理装置３０のハードウェア構成は、図３に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。また、それぞれ筐体が異なる複数の装置が通信接続されて、情報処理装置３０を構成してもよい。

情報処理装置３０における各機能は、プロセッサ３００１、メモリ３００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ３００１が演算を行い、通信装置３００４による通信を制御したり、メモリ３００２及びストレージ３００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。プロセッサ３００１、メモリ３００２、ストレージ３００３、通信装置３００４、及びこれらを接続するバスは、ユーザ端末１０について説明したプロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、及びこれらを接続するバスと、ハードウェアとしては同様であるため、その詳細な説明を省略する。なお、情報処理装置３０は、ユーザ端末１０の入力装置１００５又は出力装置１００６と同等のハードウェアを備えていてもよいし、備えていなくてもよい。

図４は、情報処理装置３０の機能構成を示すブロック図である。情報処理装置３０によって実現される各機能は、プロセッサ３００１、メモリ３００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ３００１が演算を行い、通信装置３００４による通信を制御したり、メモリ３００２及びストレージ３００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。具体的には、情報処理装置３０において、取得部３１、提示画像生成部３２、出力部３３、解析部３４、記憶部３５、及び算出部３６という機能が実現される。取得部３１、提示画像生成部３２、出力部３３、解析部３４及び記憶部３５は、主に学習モデルの生成に関わる機能であり、取得部３１、提示画像生成部３２、出力部３３、解析部３４、記憶部３５、及び算出部３６は主に、学習モデルを利用したユーザへの画像の提示に関わる機能である。

取得部３１は、ユーザ端末１０から各種の情報をネットワーク２０経由で取得する。

提示画像生成部３２は、人物モデルが被服を身に着けた画像（以下、提示画像という）を表す提示画像データを生成する。提示画像生成部３２は、人物モデル画像生成部３２１と、画像合成部３２２とを備える。人物モデル画像生成部３２１は、人物モデルの画像を表す人物画像データを生成する。画像合成部３２２は、人物モデル画像生成部３２１によって生成された人物画像データと被服の画像を表す被服画像データとを合成して、その人物画像データが表す人物モデルがその被服画像データが表す被服を身に着けた状態を表す提示画像データを生成する。

具体的には、人物モデル画像生成部３２１は、複数の人物モデルの各々に関する人物モデルデータからなる人物モデルデータベース（以下、データベースをＤＢという）を記憶している。各人物モデルデータは、人物モデルを識別するための人物モデルＩＤと、人物モデルの画像データと、その人物モデルの身体のサイズに関するデータを含んでいる。人物モデルの身体のサイズに関するデータは、例えば人物モデルの身長、トップバスト、アンダーバスト、裄丈、肩幅、ウエスト、腰回り、ヒップ、太もも周り、股下等のサイズを含む。人物モデル画像生成部３２１は、指定された数の異なる人物画像データを生成することが可能である。

画像合成部３２２は、複数の被服の各々に関する被服データからなる被服ＤＢを記憶している。各被服データは、被服を識別するための被服ＩＤと、被服の画像データと、その被服のサイズに関するデータを含んでいる。被服のサイズに関するデータは、例えば被服の身丈、肩幅、身幅、袖丈、胸囲、胴囲、裾幅等のサイズを含む。画像合成部３２２は、例えばＧＡＮ（Generative Adversarial Network）と呼ばれる手法等を利用して、人物モデルが被服を身に着けた様子を示す提示画像を表す提示画像データを生成する。

解析部３４は、各々のユーザに提示した被服に関する被服データと、当該被服を当該ユーザに提示するときに当該被服を身に着けた人物モデルに関する人物モデルデータとを説明変数とし、当該ユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて、例えばニューラルネットワークの教師あり学習を行って学習モデルを生成する。つまり、解析部３４は、ユーザに提示した被服及び人物モデルとその被服の購入の有無との関係性を解析する。この解析により、多数ある被服のそれぞれをどのような人物モデルが身に着けてユーザに提示すれば最も売り上げが見込めるかということを把握できるようになる。

記憶部３５は、解析部３４により生成された学習モデルを記憶する。この学習モデルは、解析部３４による解析が行われるたび又は所定のタイミングで更新される。

算出部３６は、イーコマースにおいて或るユーザに対し或る被服を提示するときに、その被服に関する被服データ及び人物モデルの各々に関する人物モデルデータを説明変数として上記学習モデルに入力し、その学習モデルから出力される目的変数に相当するデータ（つまり、上記の或るユーザが上記の或る被服を購入する確率に関するデータ）を算出する。そして、算出部３６は、算出した上記データに基づいて、上記の或るユーザに提示する、被服及び人物モデルの組み合わせを決定する。例えば算出部３６は、或るユーザが或る被服を購入する確率が最も高い人物モデルとの組み合わせを決定する。提示画像生成部３２は、決定された被服及び人物モデルの組み合わせで、その人物モデルがその被服を身に着けた提示画像を表す提示画像データを生成する。

出力部３３は、ユーザ端末１０に対して各種の情報をネットワーク２０経由で出力する。例えば出力部３３は、提示画像生成部３２により生成された提示画像データを上記の或るユーザのユーザ端末１０に出力することで、その提示画像を上記の或るユーザに提示する。

［動作］
［学習モデルの生成動作］
次に、図５～８を参照して、情報処理装置３０の動作について説明する。なお、以下の説明において、情報処理装置３０を処理の主体として記載する場合には、具体的にはプロセッサ３００１、メモリ３００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ３００１が演算を行い、通信装置３００４による通信や、メモリ３００２及びストレージ３００３におけるデータの読み出し及び／又は書き込みを制御することにより、処理が実行されることを意味する。ユーザ端末１０についても同様である。

まず、学習モデルの生成動作について説明する。図５において、取得部３１は、ユーザ端末１０から、提示画像のリクエストをネットワーク２０経由で取得する（ステップＳ１１）。このリクエストは、例えばユーザがユーザ端末１０において指定した、被服のカテゴリ（例えばアウター、トップス、ボトムス、アンダーウェア、靴下、帽子など）や、ログイン時のユーザのユーザＩＤを含む。

提示画像生成部３２は、上記リクエストに応じて、人物モデルが被服を身に着けた提示画像を示す提示画像データを生成する（ステップＳ１２）。提示画像生成部３２は、ユーザにより指定されたカテゴリに属する所定数の被服データを被服ＤＢから読み出すとともに、所定数の人物モデルデータを人物モデルＤＢからランダム又は予め決められた優先順位で読み出す。そして、提示画像生成部３２は、読み出した被服データに対応する各被服と、読み出した人物モデルデータに対応する各人物モデルとを任意に組み合わせて、その被服をその人物モデルが身に着けた提示画像を示す提示画像データを所定数、生成する。

出力部３３は、提示画像生成部３２により生成された提示画像データを上記ユーザ端末１０に出力する（ステップＳ１３）。これにより、所定数の提示画像がユーザに提示される。

図６は、ユーザ端末１０に表示される提示画像の一例を示す図である。この図の例のように、或る人物モデルが或る被服を身に着けた提示画像が、被服の色、素材、価格等の属性とともに表示される。この提示画像は、ユーザのフリック操作等により、次々と異なる被服の提示画像へと切り替わるようになっている。

ユーザはこの所定数の提示画像のうち自身が希望する被服を指定して、購入のための所定の操作を行う。取得部３１は、ユーザ端末１０から、この購入結果（ユーザに提示した被服のうち、どの被服が購入され、どの被服が購入されなかったか）をネットワーク２０経由で取得する（ステップＳ１４）。この購入結果は解析部３４により蓄積される。

図７は、解析部３４により蓄積された購入結果の一例を示す図である。図に示すように、どのユーザに対して、どの被服とどの人物モデルの組み合わせで提示画像を提示したときに、どのような購入結果になったかといった情報が蓄積される。なお、ユーザのユーザＩＤに対応付けてユーザの属性を示す属性データ（例えばユーザの身体のサイズを示すサイズデータ）が予め登録されている。

解析部３４は、上記のような購入結果が或る程度の数、蓄積されると、各々のユーザに提示した被服に関する被服データと、当該被服を当該ユーザに提示するときに当該被服を身に着けた人物モデルに関する人物モデルデータとを説明変数とし、当該ユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて、学習モデルを生成する（ステップＳ１５）。以降、この学習モデルは、解析部３４による解析が行われるたび又は所定のタイミングで、新しい教師データに基づいて更新される。記憶部３５は、解析部３４により生成された学習モデルを記憶する（ステップＳ１６）。

［学習モデルを利用したユーザへの画像の提示動作］
次に、学習モデルを利用したユーザへの画像の提示動作について説明する。図８において、取得部３１は、ユーザ端末１０から、提示画像のリクエストをネットワーク２０経由で取得する（ステップＳ２１）。このリクエストは、例えばユーザがユーザ端末１０において指定した、被服のカテゴリを含む。

次に、算出部３６は、被服及び人物モデルの組み合わせに対する購入確率を算出する（ステップＳ２２）。具体的には、算出部３６は、ユーザにより指定されたカテゴリに属する全ての被服データを被服ＤＢから読み出すとともに、人物モデルＤＢから全ての人物モデルデータを読み出す。そして、算出部３６は、各被服データ及び各人物モデルデータを説明変数として上記学習モデルに入力し、その学習モデルから出力される目的変数に相当するデータ（つまり、上記の或るユーザが上記の或る被服を購入する確率に関するデータ）を得る。

次に、算出部３６は、算出した上記データに基づいて、ユーザにより指定されたカテゴリに属する各被服データに対する人物モデルデータの組み合わせを決定する（ステップＳ２３）。具体的には、算出部３６は、ユーザにより指定されたカテゴリに属する各被服について、その被服が購入される確率が最も高くなるような人物モデルとの組み合わせを決定する。このとき、学習モデルの説明変数として用いられる被服データには、被服のサイズが含まれているので、同じ被服であっても、サイズによってその被服に組み合わせられる人物モデルが異なることもある。

次に、提示画像生成部３２は、決定された被服データ及び人物モデルデータの組み合わせで、その人物モデルデータの人物モデルがその被服データの被服を身に着けた画像を表す提示画像データを生成する（ステップＳ２４）。

出力部３３は、提示画像生成部３２により生成された提示画像データを上記ユーザ端末１０に出力する（ステップＳ２５）。これにより、図６で例示したような提示画像がユーザに提示される。この提示画像は、ユーザのフリック操作等により、次々と異なる被服の提示画像へと切り替わるようになっている。ただし、このとき提示される被服に対して最も購入される確率が高くなるような人物モデルが、この被服と組み合わせて提示されることになる。

以上説明した実施形態によれば、被服とその被服を身に着ける人物モデルとの組み合わせによってその被服が購入される確率を特定することができる。さらに、購入される確率が高くなるような被服と人物モデルの組み合わせでユーザに提示することができる。一般に、提示画像を生成するためには人物モデルを雇ってその人物モデルに服を着せて撮影を行うためコストや所要期間が増大するが、本実施形態によれば、これらのコストや所要期間を小さくすることが可能となる。

［変形例］
本発明は、上述した実施形態に限定されない。上述した実施形態を以下のように変形してもよい。また、以下の２つ以上の変形例を組み合わせて実施してもよい。

［変形例１］
例えば日本においては、人物モデルのポーズとして、直立不動のポーズよりも、動きのあるポーズのほうが好まれる傾向にある。そこで、説明変数として用いられる人物モデルデータに、人物モデルの姿勢に関する姿勢データを含めるようにしてもよい。人物モデルの姿勢は、例えば人体にする骨格推定等の周知技術を用いて特定することができる。このような説明変数を用いた学習モデルによれば、各被服に対して、購入される確率が高くなるような人物モデルの姿勢で各被服を提示することが可能となる。

［変形例２］
近年では、被服を身に着けた人物モデルをスタジオで撮影するだけでなく、街中で撮影する機会も多くなっている。そこで、説明変数として、被服及び人物モデルの背景に関する背景データを含めるようにしてもよい。背景データは、各背景の種類や色味を示すテキストデータ（例えば街頭、部屋、オフィス、店舗等の種類、又は、モノクロ、フルカラー、セピア等の色味）によって表される。このような説明変数を用いた学習モデルによれば、購入される確率が高くなるような背景で各被服を提示することが可能となる。

［変形例３］
また、個々のユーザによって、好みに合う被服及び人物モデルの組み合わせが異なる可能性がある。そこで、説明変数として、ユーザの属性に関する属性データを含めるようにしてもよい。属性データは、例えばユーザの性別、年齢、身体のサイズ、趣味、所属する組織等を表すデータであり、予め情報処理装置３０にユーザＩＤを対応付けて記憶されているものとする。このような説明変数を用いた学習モデルによれば、ユーザの属性に応じて、購入される確率が高くなるような人物モデルとの組み合わせで各被服を提示することが可能となる。なお、提示画像生成部３２は、提示画像を生成するときに、人物モデルの身体のサイズを、提示画像を見るユーザの身体のサイズに合わせて変形した提示画像（例えば人物モデルの身体のサイズをユーザの身体のサイズとほぼ同じする）を生成するようにしてもよい。

［変形例４］
各々のユーザの被服の購入履歴や、各々のユーザの趣味嗜好に依拠する雑誌の購入・閲覧履歴は、そのユーザの被服の好みに影響すると予想される。そこで、説明変数として、ユーザの行動履歴に関する行動履歴データを含めるようにしてもよい。行動履歴データは、被服の購入履歴や、雑誌又はＷｅｂサイトの購入・閲覧履歴等を表すデータである。これらのデータは、情報処理装置３０が電子決済システムから取得するとか、ユーザ端末１０からＷｅｂサイトの閲覧履歴を取得することで得られる。このような説明変数を用いた学習モデルによれば、ユーザの行動履歴に応じて、購入される確率が高くなるような人物モデルとの組み合わせで各被服を提示することが可能となる。

［変形例５］
各々のユーザが所有する被服は、ユーザの被服の好みを直接的に反映している。そこで、説明変数として、ユーザが所有している被服に関する所有被服データを含めるようにしてもよい。所有被服データは、例えばユーザ自身がユーザ端末１０を用いて入力して情報処理装置３０に送信してもよいし、情報処理装置３０がいわゆるＳＮＳ（Social Networking Service）からユーザＩＤを指定して取得し、パターンマッチング等の画像認識アルゴリズムでその被服を識別してもよい。つまり、後者の場合、情報処理装置３０は、ユーザが撮像された画像データを蓄積する蓄積装置からそのユーザの識別子を指定して当該画像データを取得する取得部を備え、説明変数に含まれる所有被服データは、画像データから抽出されたユーザが身に着けている被服に関するデータである。このような説明変数を用いた学習モデルによれば、ユーザが所有している被服に応じて、購入される確率が高くなるような人物モデルとの組み合わせで各被服を提示することが可能となる。

［その他の変形例］
なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信制御部（transmitting unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

例えば、本開示の一実施の形態における決済管理装置などは、本開示の処理を行うコンピュータとして機能してもよい。

本開示において説明した各態様／実施形態は、ＬＴＥ（Long Term Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th generation mobile communication system）、５Ｇ（5th generation mobile communication system）、ＦＲＡ（Future Radio Access）、ＮＲ（new Radio）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。

本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。

入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital Subscriber Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。

本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本開示において使用する「第１」、「第２」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

上記の各装置の構成における「部」を、「手段」、「回路」、「デバイス」等に置き換えてもよい。

本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。

本開示において、例えば、英語でのa,an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。

本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。

１：情報処理システム、１０：ユーザ端末、２０：ネットワーク、３０：情報処理装置、３１：取得部、３２：提示画像生成部、３２１：人物モデル画像生成部、３２２：画像合成部、３３：出力部、３４：解析部、３５：記憶部、３６：算出部、１００１：プロセッサ、１００２：メモリ、１００３：ストレージ、１００４：通信装置、１００５：入力装置、１００６：出力装置、３００１：プロセッサ、３００２：メモリ、３００３：ストレージ、３００４：通信装置。

上記課題を解決するため、本発明は、各々のユーザに提示した被服の画像データと、前記被服のサイズデータを含む被服データと、当該被服を当該各々のユーザに提示するときに当該被服を身に着けた人物モデルの画像データと、前記人物モデルの身体のサイズデータとを含む人物モデルデータとを説明変数とし、当該各々のユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて生成された学習モデルを記憶する記憶部と、或るユーザに提示する被服に関する被服データと、前記人物モデルに関する人物モデルデータとを説明変数として前記学習モデルに入力して、当該或るユーザが当該被服を購入する確率を算出する算出部とを備えることを特徴とする情報処理装置を提供する。

Claims (10)

1. 各々のユーザに提示した被服に関する被服データと、当該被服を当該各々のユーザに提示するときに当該被服を身に着けた人物モデルに関する人物モデルデータとを説明変数とし、当該各々のユーザが当該被服を購入したか否かを目的変数とした教師データに基づいて生成された学習モデルを記憶する記憶部と、
   或るユーザに提示する被服に関する被服データと、前記人物モデルに関する人物モデルデータとを説明変数として前記学習モデルに入力して、当該或るユーザが当該被服を購入する確率に関するデータを算出する算出部と
   を備えることを特徴とする情報処理装置。
2. 前記被服データは、前記被服の画像データと、前記被服のサイズに関するサイズデータを含む
   ことを特徴とする請求項１記載の情報処理装置。
3. 前記人物モデルデータは、前記人物モデルの画像データと、前記人物モデルの身体のサイズに関するサイズデータを含む
   ことを特徴とする請求項１又は２記載の情報処理装置。
4. 前記人物モデルデータは、前記人物モデルの姿勢に関する姿勢データを含む
   ことを特徴とする請求項１～３のいずれか１項に記載の情報処理装置。
5. 前記説明変数は、前記被服及び前記人物モデルの背景に関する背景データをさらに含む
   ことを特徴とする請求項１～４のいずれか１項に記載の情報処理装置。
6. 前記説明変数は、各々のユーザの属性に関する属性データを含む
   ことを特徴とする請求項１～５のいずれか１項に記載の情報処理装置。
7. 前記説明変数は、前記ユーザの行動履歴に関する行動履歴データを含む
   ことを特徴とする請求項１～６のいずれか１項に記載の情報処理装置。
8. 前記説明変数は、前記ユーザが所有している被服に関する所有被服データを含む
   ことを特徴とする請求項１～７のいずれか１項に記載の情報処理装置。
9. 前記ユーザが撮像された画像データを蓄積する蓄積装置から当該画像データを取得する取得部を備え、
   前記説明変数に含まれる所有被服データは、取得された前記画像データから抽出された、前記ユーザが身に着けている被服に関するデータである
   ことを特徴とする請求項８に記載の情報処理装置。
10. 前記算出部は、算出した前記データに基づいて前記或るユーザに提示する被服及び人物モデルの組み合わせを決定し、
    さらに、当該組み合わせにおける当該人物モデルが当該被服を身に着けた画像を表す画像データを前記或るユーザの端末に出力する出力部を備える
    ことを特徴とする請求項１～９のいずれか１項に記載の情報処理装置。

Images